如何将pytorch模型部署到安卓上的方法示例

这篇文章演示如何将训练好的pytorch模型部署到安卓设备上。我也是刚开始学安卓，代码写的简单。

环境：

pytorch版本：1.10.0

模型转化

pytorch_android支持的模型是.pt模型，我们训练出来的模型是.pth。所以需要转化才可以用。先看官网上给的转化方式：

import torch
import torchvision
from torch.utils.mobile_optimizer import optimize_for_mobile

model = torchvision.models.mobilenet_v3_small(pretrained=True)
model.eval()
example = torch.rand(1, 3, 224, 224)
traced_script_module = torch.jit.trace(model, example)
optimized_traced_model = optimize_for_mobile(traced_script_module)
optimized_traced_model._save_for_lite_interpreter("app/src/main/assets/model.ptl")

这个模型在安卓对应的包：

repositories {
   jcenter()
}

dependencies {
   implementation 'org.pytorch:pytorch_android_lite:1.9.0'
   implementation 'org.pytorch:pytorch_android_torchvision:1.9.0'
}

注:pytorch_android_lite版本和转化模型用的版本要一致，不一致就会报各种错误。

目前用这种方法有点问题，我采用的另一种方法。

转化代码如下：

import torch
import torch.utils.data.distributed

# pytorch环境中
model_pth = 'model_31_0.96.pth' #模型的参数文件
mobile_pt ='model.pt' # 将模型保存为Android可以调用的文件

model = torch.load(model_pth)
model.eval() # 模型设为评估模式
device = torch.device('cpu')
model.to(device)
# 1张3通道224*224的图片
input_tensor = torch.rand(1, 3, 224, 224) # 设定输入数据格式

mobile = torch.jit.trace(model, input_tensor) # 模型转化
mobile.save(mobile_pt) # 保存文件

对应的包：

//pytorch
implementation 'org.pytorch:pytorch_android:1.10.0'
implementation 'org.pytorch:pytorch_android_torchvision:1.10.0'

定义模型文件和转化后的文件路径。

load模型。这里要注意，如果保存模型

torch.save(model,'models.pth')

加载模型则是

model=torch.load('models.pth')

如果保存模型是

torch.save(model.state_dict(),"models.pth")

加载模型则是

model.load_state_dict(torch.load('models.pth'))

定义输入数据格式。

模型转化，然后再保存模型。

安卓部署

新建项目

新建安卓项目，选择Empy Activity,然后选择Next

然后，填写项目信息，选择安卓版本，我用的4.4，点击完成

导入包

导入pytorch_android的包

//pytorch
implementation 'org.pytorch:pytorch_android:1.10.0'
implementation 'org.pytorch:pytorch_android_torchvision:1.10.0'

如果有参数报错请参照我的完整的配置，代码如下：

plugins {
   id 'com.android.application'
}

android {
   compileSdk 32

defaultConfig {
       applicationId "com.example.myapplication"
       minSdk 21
       targetSdk 32
       versionCode 1
       versionName "1.0"

testInstrumentationRunner "androidx.test.runner.AndroidJUnitRunner"
   }

buildTypes {
       release {
           minifyEnabled false
           proguardFiles getDefaultProguardFile('proguard-android-optimize.txt'), 'proguard-rules.pro'
       }
   }
   compileOptions {
       sourceCompatibility JavaVersion.VERSION_1_8
       targetCompatibility JavaVersion.VERSION_1_8
   }
}

dependencies {

implementation 'androidx.appcompat:appcompat:1.3.0'
   implementation 'com.google.android.material:material:1.4.0'
   implementation 'androidx.constraintlayout:constraintlayout:2.0.4'
   testImplementation 'junit:junit:4.13.2'
   androidTestImplementation 'androidx.test.ext:junit:1.1.3'
   androidTestImplementation 'androidx.test.espresso:espresso-core:3.4.0'
   //pytorch
   implementation 'org.pytorch:pytorch_android:1.10.0'
   implementation 'org.pytorch:pytorch_android_torchvision:1.10.0'

}

页面文件

页面的配置如下：

<?xml version="1.0" encoding="utf-8"?>
<FrameLayout xmlns:android="http://schemas.android.com/apk/res/android"
   xmlns:tools="http://schemas.android.com/tools"
   android:layout_width="match_parent"
   android:layout_height="match_parent"
   tools:context=".MainActivity">

<ImageView
       android:id="@+id/image"
       android:layout_width="match_parent"
       android:layout_height="match_parent"
       android:scaleType="fitCenter" />

<TextView
       android:id="@+id/text"
       android:layout_width="match_parent"
       android:layout_height="wrap_content"
       android:layout_gravity="top"
       android:textSize="24sp"
       android:background="#80000000"
       android:textColor="@android:color/holo_red_light" />

</FrameLayout>

这个页面只有两个空间，一个展示图片，一个显示文字。

模型推理

新增assets文件夹，然后将转化的模型和待测试的图片放进去。

新增ImageNetClasses类，这个类存放类别名字。

代码如下：

package com.example.myapplication;

public class ImageNetClasses {
   public static String[] IMAGENET_CLASSES = new String[]{
           "Black-grass",
           "Charlock",
           "Cleavers",
           "Common Chickweed",
           "Common wheat",
           "Fat Hen",
           "Loose Silky-bent",
           "Maize",
           "Scentless Mayweed",
           "Shepherds Purse",
           "Small-flowered Cranesbill",
           "Sugar beet",

};
}

在MainActivity类中，增加模型推理的逻辑。完成代码如下：

package com.example.myapplication;

import android.content.Context;
import android.graphics.Bitmap;
import android.graphics.BitmapFactory;
import android.os.Bundle;
import android.util.Log;
import android.widget.ImageView;
import android.widget.TextView;

import org.pytorch.IValue;

import org.pytorch.Module;
import org.pytorch.Tensor;
import org.pytorch.torchvision.TensorImageUtils;
import org.pytorch.MemoryFormat;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;

import androidx.appcompat.app.AppCompatActivity;

public class MainActivity extends AppCompatActivity {

@Override
   protected void onCreate(Bundle savedInstanceState) {
       super.onCreate(savedInstanceState);
       setContentView(R.layout.activity_main);

Bitmap bitmap = null;
       Module module = null;
       try {
           // creating bitmap from packaged into app android asset 'image.jpg',
           // app/src/main/assets/image.jpg
           bitmap = BitmapFactory.decodeStream(getAssets().open("1.png"));
           // loading serialized torchscript module from packaged into app android asset model.pt,
           // app/src/model/assets/model.pt
           module = Module.load(assetFilePath(this, "models.pt"));
       } catch (IOException e) {
           Log.e("PytorchHelloWorld", "Error reading assets", e);
           finish();
       }

// showing image on UI
       ImageView imageView = findViewById(R.id.image);
       imageView.setImageBitmap(bitmap);

// preparing input tensor
       final Tensor inputTensor = TensorImageUtils.bitmapToFloat32Tensor(bitmap,
               TensorImageUtils.TORCHVISION_NORM_MEAN_RGB, TensorImageUtils.TORCHVISION_NORM_STD_RGB, MemoryFormat.CHANNELS_LAST);

// running the model
       final Tensor outputTensor = module.forward(IValue.from(inputTensor)).toTensor();

// getting tensor content as java array of floats
       final float[] scores = outputTensor.getDataAsFloatArray();

// searching for the index with maximum score
       float maxScore = -Float.MAX_VALUE;
       int maxScoreIdx = -1;
       for (int i = 0; i < scores.length; i++) {
           if (scores[i] > maxScore) {
               maxScore = scores[i];
               maxScoreIdx = i;
           }
       }
       System.out.println(maxScoreIdx);
       String className = ImageNetClasses.IMAGENET_CLASSES[maxScoreIdx];

// showing className on UI
       TextView textView = findViewById(R.id.text);
       textView.setText(className);
   }

/**
    * Copies specified asset to the file in /files app directory and returns this file absolute path.
    *
    * @return absolute file path
    */
   public static String assetFilePath(Context context, String assetName) throws IOException {
       File file = new File(context.getFilesDir(), assetName);
       if (file.exists() && file.length() > 0) {
           return file.getAbsolutePath();
       }

try (InputStream is = context.getAssets().open(assetName)) {
           try (OutputStream os = new FileOutputStream(file)) {
               byte[] buffer = new byte[4 * 1024];
               int read;
               while ((read = is.read(buffer)) != -1) {
                   os.write(buffer, 0, read);
               }
               os.flush();
           }
           return file.getAbsolutePath();
       }
   }
}

然后运行。

来源：https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/122860445